研究速递 | 人工智能带来的竞争优势：走向情境人工智能理论

利用人工智能（AI）建立竞争优势存在一个理论难题。预测表明，到2033年，大约40%至50%的工作将通过智能算法自动化（Frey & Osborne, 2013），这反映了增强的生产力和降低的成本。还有预测认为，AI可能通过允许企业将其产品嵌入AI以及激发企业产品开发过程中的创新（Barro & Davenport, 2019; Davenport & Kirby, 2015; Cockburn, Henderson, & Stern, 2019; Gregory, Henfridsson, Kaganer, & Kyriakou, 2021），导致新产品的出现。尽管如此，越来越多的研究已经突显出AI可能带来重大战略障碍的问题。AI可能是短视的（Balasubramanian, Ye, & Xu, 2022），无法感知企业内部的相互依赖关系（Raisch & Krakowski, 2021），并且难以受到管理控制（Murray, Rhymer, & Sirmon, 2021）。这些因素表明，利用AI降低成本并打造理想产品可能并非像之前所述的那样简单。此外，AI属于显性知识（Broussard, 2018; Shrestha, He, Puranam, & von Krogh, 2021），类似于一种通用技术（Teece, 2018）。因此，虽然AI在公司内部带来了价值创造，但支撑这些结果的活动可能被公司的竞争对手复制。因此，虽然人工智能有望促进竞争优势，但目前尚不清楚如何实现这一机制。

本文通过发展一种情境人工智能理论来解决这一难题，情境人工智能的运作被限制在公司的经验、结构和关系系统中。本文的框架建立在组织能力文献的基础上，该文献认为，竞争优势主要在于企业利用其战略资产，采用独特的组织能力（Barney, 1991），成本低廉的开发方式（Winter, 2000），并与企业内外部环境保持一致（Mahoney & Pandian, 1992; Sirmon, Hitt, & Ireland, 2007）。本文认为，实现这些目标在于AI倾向于具有行动能力（Murray et al., 2021），若未得到适当的内部背景支持，可能会产生反作用。本文也认同，没有情境支持的行动能力可能是AI的基础状态（Balasubramanian et al., 2022）。

本文通过解释企业如何在其独特经验和系统中限制AI的功能，并且通过三种情境化活动将经过转化的AI嵌入企业的组织能力来解决AI的战略局限性：根植、边界化和重铸。根植包括协调人工智能将被允许从整个组织中学习哪些经验。边界化包括塑造锚定竞争对手AI的经验的努力。重铸涉及对算法的不断调整以及它们周围的日常活动，以增强人工智能与公司中相互依赖的活动的一致性。本文还考虑了技术约束和环境动态如何影响情境人工智能的好处。因此，本文承认人工智能的战略局限性，同时解释了企业如何克服这些局限性，以更好地实现人工智能作为竞争优势新基础的潜力。

人工智能对竞争优势的承诺

AI广义上指的是能够完成此前只能由人类完成的认知任务的机器（Davenport, 2018）。虽然机器取代人类工作已有悠久历史，但AI的兴起独特之处在于，机器首次能够“学习”并具有行动能力（Faraj, Pachidi, & Sayegh, 2018）。在以往的技术中，机器通过遵循由人类程序员编写的复杂的if-then语句来完成工作。机器没有自主性可言，其行动直接反映了程序员的知识（Dreyfus & Dreyfus, 2005; Norman, 2017）。相比之下，AI通过提供一组输入数据、学习目标、误差函数和最小化该误差函数的数学算法（Alpaydin, 2016; Chen, Zou, Ye, Li, Deng, & Ong, 2020），来描述问题的基本情况。有了这些，计算机便能够学习将输入数据与期望的结果联系起来的“规则”。这些规则之所以关键，是因为它们不是由人类程序员创建的，在许多情况下，甚至不能被人类解释（Castelvecchi, 2016）。因此，AI可以被视为具有独特形式的主体理性，这种理性越来越能够让机器在认知任务上表现得与或超过人类（Murray et al., 2021）。

AI的强大威力使许多人相信，通过智能自动化，AI将革新经济生产，提升企业效率，并协助人类解决可能导致价值创造的新问题，通过设计新产品和改进旧产品（Barro & Davenport, 2019; Brynjolfsson & Mitchell, 2017; Frey & Osborne, 2013）。事实上，我们已经开始在多个行业看到AI带来的过程和产品改进（Tarafdar, Beath, & Ross, 2019）。例如，DBS银行最近实施了能够以85%的准确率预测员工是否会在三个月内离职。该公司目前正在使用人工智能来支持在印度运营的一家仅数字化银行，该银行比传统银行少用了90%的员工（Davenport, 2018）。作为第二个例子，香水设计师现在在产品开发过程中使用人工智能，以生产比仅由人类专家创造的香水更能吸引消费者的香水（Goodwin et al., 2017）。尽管在运营和产品设计方面取得了进展，但公司对人工智能的投资可能无法转化为利润。根据Ransbotham, Khodabandeh, Fehling, LaFountain, & Kiron（2019）最近的一项调查显示，十分之九的高级管理人员认为人工智能对公司来说是一个巨大的商业机会，43%的高管报告称他们的组织已经实施了人工智能。然而，该报告还指出，“大多数公司在利用人工智能产生价值方面面临困难。” Lui、Lee和Ngai(2022)为这一担忧提供了实证支持，他们发现市场会在企业层面上惩罚人工智能的采用。因此，虽然人工智能开始在产品和流程改进方面发挥作用，但在公司级别上获得的好处，如市场表现的改善或竞争优势，可能更难以实现。

人工智能的三大战略局限

如何解释这种脱节?尽管现有理论未能解释企业如何系统地利用人工智能以发展竞争优势，但最近的研究已经揭示了这样做面临的障碍。本文从组织能力的角度探讨了这些障碍，并确定了企业在利用其人工智能投资建立竞争优势时可能遇到的三个原因。本文关注人工智能的通用性、显性特征和短视性特征。虽然人工智能无疑会为企业带来许多其他新挑战，但由于对能力发展产生不利影响，本文认为这三个限制在理论上尤为突出，这些能力发展被认为是建立人工智能竞争优势的核心。

人工智能的第一个战略挑战是其通用性。从人工智能算法产生的逻辑通常不是仅特定用户应用该算法时独有的。相反，任何使用相同程序的人都可能“重新发现”这种逻辑（Shrestha et al., 2021）。例如，其他条件相同的情况下，无论是Spotify还是Pandora操作该神经网络，神经网络算法会得出相同的逻辑。这表明，人工智能可能在竞争企业中展现出共同的行为模式。关于人工智能通用性的这一观点至关重要，因为人工智能被视为一种类似于电力、蒸汽机或互联网的通用技术（Brynjolfsson & Mitchell, 2017; Frey & Osborne, 2013; Lynch, 2017）。通用技术很可能被竞争企业广泛采纳（Bresnahan & Trajtenberg, 1995）。因此，这些技术往往会产生全经济范围的益处，而非私人租金（Bresnahan & Trajtenberg, 1995; Teece, 2018）。因此，虽然人工智能可能帮助企业开发更好、更便宜的产品，但人工智能也会帮助竞争对手做到同样的事情。

人工智能的第二个战略限制是其作为一种显性知识的表现形式。人工智能算法及驱动其运行的数据，必须以显性指令或数学公式的形式提供给计算机（Broussard, 2018）。因此，驱动企业人工智能流程的组织知识可能会在员工流动期间被窃取并高度可移植（Tramer, Zhang, Juels, Reiter, & Ristenpart, 2016）。这一观察与显性知识相对容易在组织边界内扩散的一般观念一致，这使得建立竞争优势变得具有挑战性（Grant, 1996; Nickerson & Zenger, 2004）。这种挑战对于人工智能尤为突出，因为目前知识产权法不允许对数学公式和程序进行专利保护（Gaudry & Hayim, 2018; Liyange & Berry, 2019）。因此，寻找防止人工智能资产跨越企业边界扩散的机制至关重要。

人工智能的第三个战略限制是其短视性。在某种意义上，人工智能算法缺乏对其分配任务范围之外的活动和事件的情境意识（Balasubramanian et al.，2022; Dreyfus, 2012; Raisch & Krakowski, 2021）。单个人工智能算法通常只能在整个组织例行程序中执行一个小的子任务（Davenport, 2018）。因此，人工智能驱动的例行程序通常会使用一组人工智能算法（Kumar, Venugopal, Qiu, & Kumar, 2018）。然而，算法识别其任务与企业内其他任务之间相互依赖的能力有限。这可能导致昂贵的技术和运营失败（Balasubramanian et al.，2022; Dreyfus, 2012）。此外，由于人工智能在高度自主地完成任务，管理者发现很难在出现错误时对其进行纠正（Murray et al.，2021）。

AI的短视问题相关的一个后果是，AI将缺乏对企业战略的深刻理解。因此，即使AI在执行任务时表现出最优化的行为，也不能保证这种行为符合企业正在（或应该）追求的市场机遇的要求（Balasubramanian et al.，2022）。例如，一家廉价航空公司可能开发了能够准确识别顾客能支付2000美元短途航班的AI。然而，这种AI可能无法理解这种优惠是否与公司的市场情境和低成本提供者策略不一致。换言之，AI对企业的最终价值不仅取决于其任务效能，还取决于其与企业整体战略的契合程度。因此，必须建立组织机制以克服AI的短视，以确立竞争优势。

AI的通用、显性和短视特性都危及其在企业层面的益处，但由于AI既是机器又具有主动性（Smith & Lewis, 2011），这些问题在解决上独具挑战性。例如，AI的通用性类似于通用人力资本。通用人力资本通常无法为企业带来跨企业的优势，因为竞争对手通常可以获取并利用这种知识，以方式近似于焦点企业的相应行动。然而，与AI不同的是，通用人力资本被认为可以通过社会化在企业内部转化，并通过员工在公司内进行丰富的非正式社交互动使其具体化（Coff, 1997）。这在AI的情况下是困难的，因为AI是一种机器。另一方面，AI具有行动能力的能力剥夺了在组织中控制技术的一些典型方式。例如，考虑专家系统的情况，这些系统在AI最近兴起之前被广泛使用（Chollet, Kalinowski, & Allaire, 2022）。与AI类似，这些系统也具有短视问题，因为它们可能错误地忽视组织之间的相互依赖关系。然而，当出现这种问题时，可以通过向机器提供更多规则来解决。这种选择在AI的情况下不太可行，因为AI更具有主动性，比专家系统更依赖数据而不是规则作为行为约束。因此，AI改变了企业的知识生产函数，使得通向竞争优势的途径变得难以捉摸。

人工智能驱动的竞争优势理论化的概念构建模块

本文发展了一套关于情境人工智能的理论，以解释企业如何克服这些战略局限性以塑造竞争优势。本文以组织能力文献（Eggers & Kaplan, 2013; Nickerson & Zenger, 2004）和人类功能行为研究（Emirbayer & Mische, 1998; Westphal & Zajac, 2013）为理论基础。以下简要描述每一个概念建构块。

能力与竞争优势。组织能力是一组例行程序，与它们的实施输入流一起，赋予组织管理层一套决策选项，用以生产某一特定类型的重要产出（Winter, 2003）。组织能力视角将企业绩效视为系统性和随机因素的函数（Winter, 2000）。市场被建模为在技术和行为不确定性下竞争解决相关问题的集体（Afuah & Tucci, 2012; Nickerson & Zenger, 2004）。利润在缺乏赋予某些企业结构优势的竞争优势时被视为短暂存在（Barney, 1986）。此外，企业的主要关注点在于识别和编排组织活动的模式，这些活动可以可靠地被利用来创造和捕获价值（Winter, 2003）。

能力视角侧重于竞争优势的三个核心来源：企业特异性、能力开发成本和环境适配性。企业特异能力是使用共同专业知识生产的能力，使其在企业内部的价值大于在外部的价值（Helfat, 1994; Mahoney & Pandian, 1992）。此外，当生产或部署能力所需的共同专业知识是隐性或社会复杂时，更可能塑造企业特异能力（Grant, 1996; King & Zeithaml, 2007; Nickerson & Zenger, 2004）。其次，因为塑造能力需要组织努力和资源，开发能力的成本不应超过从部署能力中获得的价值（Argyers, Mahoney, & Nickerson, 2019; Winter, 2000）。最后，只有当企业的能力与顾客需求充分匹配时，顾客才可能对企业的产品积极响应（Sirmon et al., 2007）。

情景化功能。组织行为具有效能，能够影响其能力和约束其的环境（Gavetti, Helfat, & Marengo, 2017; Gavetti & Torras, 2021; Nayak, Chia, & Canales, 2020）。功能通常包括在约束条件下的自由选择（Emirbayer & Mische, 1998; Giddens, 1979）。本文的基本论点是，虽然公司不能直接限制人工智能的功能（也许也不希望这样做），公司可以通过战略性地构建人工智能解决问题和应用解决方案的背景环境，平衡机器的功能性和人类的功能性。功能性有三个维度，这些维度决定了行为者行为的约束和自由选择的表现方式（Emirbayer & Mische, 1998）。功能性的迭代维度涉及行动根植于组织的先前经验。实践评估维度考虑行动根植于组织当前的社会背景。投射维度涉及行动基于行为者重新想象其组织目前安排以满足未来目标的能力。当功能性的约束主要源自功能行为发生的背景中时，功能性被认为是情景化的（Botti, 1998; Westphal & Zajac, 2013）。本文通过将情境的人工智能概念化为情境功能的技术类比，进一步发展了这一工作。

能力发展。本文认为公司可以在能力发展过程中设置人工智能。能力发展涉及在四个步骤中协调组织行动：捆绑战略资产、将资产嵌入例行程序、组装例行程序作为能力，并将能力与环境中的机会匹配（Collis, 1994; Eggers & Kaplan, 2013; Sirmon et al., 2007）。在这一模型范围内，本文将输入数据视为主要的战略资产（Gregory et al., 2021），并用（部分）自动化的组织例行程序替代了传统能力模型中对传统例行程序的关注。本文将这种类型定义为联合例行程序，其设计和执行涉及人类和非人类功能的混合。这一定义基于Murray等人（2021）的联合功能概念。

因此，本文定义AI驱动的能力为一系列联合例行程序，以及必要的输入数据，使公司能够以可重复和可靠的方式执行特定的价值链活动（Gregory et al., 2021; Helfat & Winter, 2011; Winter, 2003）。本文的模型引入了三种设置活动，公司可以利用这些活动来协调AI驱动的能力的发展：基础、界限和优化。

本文的理论的核心部分包括考虑情境的人工智能如何随着时间在公司的AI驱动能力中进行调整。因此，本文在之前的研究基础上，将组织适应视为通过实验和问题驱动的搜索逐步改变公司的核心结构和战略（Ethiraj & Levinthal, 2004）。本文关注于围绕认知基础的适应能力形成的学习文献（Gavetti & Levinthal, 2000; Tripsas & Gavetti, 2000）。

从组织能力的角度考虑的最后一个要素是关注公司环境的动态性。随着公司战略环境的动态性增加，新的市场机会可能出现，现有机会可能消失，捕捉机会所需的技术和能力也在发展（Sirmon et al., 2007; Teece, 2007; Tripsas & Gavetti, 2000）。环境动态性在AI驱动的能力方面具有重要意义，因为AI改变了公司例行程序对变化的响应程度（Balasubramanian et al., 2022; Murray et al., 2021）。因此，本文考虑环境动态性如何影响情境AI带来竞争优势的益处。

人工智能的特点。本文的理论旨在解释大规模且日益增长的人工智能技术形态。本文依据机器学习文献对人工智能算法进行特征化，主要根据它们的训练范式（监督学习与无监督学习）和可解释性程度。当人工智能算法更易于人类操作者描述其逻辑，即算法如何将输入与输出联系起来时，其可解释性更高（Arya et al.,2019；Gilpin, Bau, Yuan, Bajwa, Specter, & Kagal，2019）。这可能涉及描述算法在达到解决方案时权重较高的因素，或者为算法处理不同因素之间互动提供某些直观（Gilpin et al., 2019；Hendricks, Rohrbach, Schiele, Darrell, & Akata，2021）。尽管一些算法能够高度透明地展示其内部运作方式，但其他人工智能算法则不然。图1展示了一些标准人工智能算法如何符合这一分类法。

学习范式告诉我们人工智能如何从数据中进行推断。在监督学习中，人工智能使用已标记的训练数据进行学习，这些数据为问题提供了“正确答案”（Dike, Zhou, Deveerasetty & Wu，2018；Murphy，2012）。标签可以由人类操作者提供，也可以使用对数据源的人类知识进行推断。例如，一家公司可以通过扫描stackoverflow.com等网站获取用户提供的编程问题，并使用评分最高的输入作为正确答案来训练人工智能编写计算机代码。相比之下，无监督学习为人工智能提供数据，但不提供“答案”（Murphy，2012）。相反，人工智能会在现有数据中寻找模式，并尝试将显示相似模式的观察结果分组（Dike et al., 2018）。无监督学习模型通过观察类别实例之间的相关性来识别对象的类别。只要数据中还包含不属于该类别的图像实例，这种方法就能奏效。例如，如果算法展示足够多的狗的图像，它将能够通过注意数据中的相关模式来区分未来包含狗的图像和不包含狗的图像。

提出框架的边界条件

本文的论点是在考虑了几个边界条件的情况下提出的。首先，因为本文感兴趣的结果是竞争优势，所以本文主要关注的是公司战略家主要感兴趣的因素。策略师们可能更关心他们公司的整体人工智能方法，而不是人工智能的个别应用。因此，除非与战略决策相关，否则本文会忽略特定人工智能技术的特性，专注于它们在战略层面的影响。此外，本文认为人工智能是嵌入在公司的日常工作和能力中，而不是嵌入在公司的产品中。这两者并不相互排斥;然而，以能力为基础的竞争优势理论关注的是企业的组织活动，而不是企业的产品本身。因此，本文在讨论部分主要关注前者，并将AI的两种用途联系起来。

情境化人工智能是通过将人工智能集体锚定在公司的经验、关系和战略系统中，将人工智能在公司中的功能置于情境化的过程。情境人工智能涉及到整个组织中有目的和协调一致的行动。情境是由公司的战略制定部门精心策划的，包括三个组成部分:植入（Grounding）、边界（Bounding）和重铸。每个情境活动都包括一系列组织行动和战术动作，这些行动和战术动作可以在人工智能在公司中部署时采取。在本节中，本文解构了情境AI的总体概念，以阐明其三个组成活动:植入、边界和重铸。本文解释了这些活动如何解决人工智能的战略限制。这些论点构成了本文的基本命题的支持逻辑，即情境化人工智能增加了与人工智能驱动的企业建立竞争优势的潜力。图2提供了本文的框架的图形化描述。

Grounding AI是将战略关注和组织资源分配给有选择性地赋予AI历史感知能力的过程。植入专注于通过战略性地提供经验，塑造AI对任务或问题的视角。植入可与“全面数字化”形成对比，后者是指企业尽可能收集其世界各个方面的数据（Faraj et al., 2018）；自主数据收集，即AI在少量管理指导下收集数据（Gou, Sharma, Yin, Lu, & Rong, 2017；Smith, 2019）；以及“临时问题解决”（Winter, 2003: 991），即企业内的行动者在问题出现时解决相关数据问题。因此，植入反映了组织通过经验的反思和有意识的学习来引导AI的努力（Zollo & Winter, 2002）。

植入可能包括简单的行动，例如设计调查收集客户数据或设计提示。它也可能涉及策划更复杂的活动，如产生数据。在这种情况下，植入可能要求企业在资本支出或组织实验方面做出战略性的牺牲（Baesens, Bapna, Marsden, Vanthienen, & Zhao, 2016；Hopkins & Brynjolfsson, 2010）。一个通过生成数据来植入 AI的例子是，企业战略性地将工业设备改造成传感器以捕获数据，后者可以嵌入AI驱动的能力中（Dey & Sen, 2020；Goes, 2014；Guha & Kumar, 2018）。第二个例子是，像Booking.com这样的企业实验性地为客户提供特别优惠，以了解他们的偏好，而不是直接询问（Hopkins & Brynjolfsson, 2010；Thomke, 2020）。植入 AI还可能涉及建立决定哪些数据应该从企业的AI过程中排除的范围条件。表1总结了这些活动。

植入通过平衡AI的通用性增强了竞争优势的潜力。植入试图通过在整个企业内策划向后看的数字输入来塑造AI的信念。当行动者从经验中学习时，他们的主动性通过对这些经验的选择性关注而显现出来（Emirbayer & Mische, 1998；Nayak et al., 2020）。植入通过在组织内策划数据相关资源，嵌入了对AI注意力的某些控制。因此，通过植入，AI与企业的知识、历史和信念紧密联系在一起。先前的研究表明，在能力发展过程中，企业在如何主动地利用以往经验方面存在系统性差异（Tripsas & Gavetti, 2000；Zollo & Winter, 2002）。

植入可能通过数据将这些差异嵌入其中，从而可能导致一个企业的AI在不同的组织背景中表现出与其他企业的AI不同的行为。这种植入的好处可能是无意的，因为对“经验敏感性”的不同关注可能会自然地结构化到企业的常规中（Nayak et al., 2020: 983）。然而，当企业有意地策划数据收集和部署，以优先将AI锚定在其独特知识中时，植入确实可以平衡AI的通用性。例如，产品设计公司可以强调使用其专有的计算机辅助设计（CAD）图纸或内部白皮书的数据来训练AI。第二个例子是，机器学习供应商（例如OpenAI）使企业能够进行一种称为微调的植入形式，即公司用自己的定制数据增强预训练模型（Peng, Li, Galley, & Gao, 2023）。这使得企业能够利用OpenAI的通用模型（例如ChatGPT）解决特定用例，而竞争对手的私有数据不允许他们以相同的质量或精度解决这些问题，即使竞争对手使用相同的底层GPT模型。因此，基于人工智能可以使公司的联合程序比竞争对手的类似人工智能驱动功能产生更大的价值。

Bounding AI指的是通过将AI锚定在契约网络中来塑造公司AI开发的背景环境的策略性尝试。边界化AI反映了功能机制的实际评估维度，认为功能机制是在竞争环境中协商的结果（Emirbayer & Mische, 1998）。在实际评估过程中，功能机制通过熟练地应对上下文挑战来实施。Emirbayer和Mische（1998）指出，面对面的竞争中，参与者通过影响社会空间中允许的行动来塑造彼此对可能性的感知。通过边界化AI，公司能够克服内部侵吞风险，并影响竞争对手能够开发的AI驱动能力。

边界化AI涉及编排诸如加密数据、进行网络安全投资、要求开发AI驱动能力时员工和供应商签署保密协议、捕捉计算能力或服务器管理上的行业瓶颈、以及战略性收购或与能够提供竞争对手认为有价值的数据、模型或人才的初创企业等活动。边界化AI也可能涉及通过制定政府关于数据隐私和保密的法规来影响制度工作（Boulet, 2018）。这些活动可能导致公司在开发AI驱动能力时承担机会成本和交易成本。然而，与让市场价值被供应商、竞争对手或员工侵吞相比，这些成本可能较小。

边界化有助于应对AI的显性特性。知识必须数字化才能用于AI。一旦公司发现支持强大AI驱动能力的数据或联合流程，这些知识必须被记录在机器上才能投入运行。这增加了知识侵吞风险的可能性。竞争对手可能会尝试通过获取类似数据或实施类似例程组件来复制公司的AI驱动能力。员工可能会试图在劳动市场上侵吞这些知识（Aime, Johnson, Ridge, & Hill, 2010）。边界化AI有助于缓解这些问题。

一个显著的边界化尝试来自生成艺术领域。几家机器学习初创公司创建了能够模仿著名录音艺术家如Drake和Taylor Swift声音的AI。拥有全球约三分之一音乐目录的环球音乐集团做出了响应，要求其下游合作伙伴（如Apple Music和Spotify）禁止机器人从其平台上抓取数据。环球音乐集团的请求基于他们的主张，即创建AI生成声音的过程违反了他们与艺术家签订的合同和涵盖音乐的版权，这些音乐被声称用作竞争对手算法的训练数据（Inman, 2023）。在这个例子中，环球通过试图阻止竞争对手（包括其他唱片公司和生成音乐初创公司）利用本来是公开和广泛可访问的数据来边界化AI。如果成功，环球将减少这些公司充分利用其AI的能力，即使该AI达到了可能削弱环球招聘和市场营销能力的质量门槛（Universal Music Group, 2023）。

优化AI指的是调整内部技术和例行程序，以将AI置于公司任务、关系和战略互依性系统的上下文中。优化将AI锚定在人类行为主动性的预测维度上，即行动者重新构想当前关系如何改变，以朝向更理想的未来发展（Emirbayer & Mische, 1998）。优化涉及协调诸如定制AI、优化单一联合程序中不同AI算法之间的联系，并根据以往展示的与公司能力对齐（或不对齐）程度晋升或降级算法。

例如，微软长期以来在其传统搜索引擎Bing中使用基于AI的例行程序，执行诸如对网页排名或增强用户搜索词汇的任务。这些例行程序在其预期任务上保持有效，但它们忽略了在搜索业务中利用生成式AI的机会。作为回应，微软提升了生成式聊天机器人的使用，与其传统搜索产品并行。在此示例中，微软通过降级仅对页面排名的AI，替换为能够为用户生成详细回复的AI，而无需用户访问网页自行检索和综合信息（Heaven, 2021）。

优化有助于公司克服AI的短视问题。AI的短视行为表现为无法感知散布在组织各处的例行程序内部依赖关系、例行程序之间的依赖关系以及价值依赖关系（Balasubramanian et al.，2022）。AI可能会采取以下解决方案：（a）在联合程序中某一子任务上最优，但与该程序其他任务不兼容；（b）在AI驱动的能力中某一例行程序最优，但与其他例行程序不兼容；或者（c）在某一能力最优，但与公司试图将其套件能力应用于追求环境中的机会不兼容。

优化对于解决这些不一致至关重要。优化需要全组织的审慎考虑和参与，因为公司必须考虑如何改变联合程序中的一个部分中的AI将影响该程序其他部分的行动者。通过这种参与，公司可以更好地理解哪些AI存在问题，以前未被注意到的组织依赖关系，以及如何调整组织的技术和架构以应对这些挑战。这一过程可能提升AI驱动能力与任务或战略环境的契合度。关于植入、边界化和优化的论点引出以下命题。

命题1：在能力开发和部署过程中，植入、边界化、优化的使用越多，通过人工智能驱动的能力建立竞争优势的可能性就越大。

在这一部分，本文考虑了企业的技术选择如何调节所处环境人工智能的影响。本文的论点受到了复杂知识、隐性知识以及能力开发中心理表征的重要性研究的启发（Gavetti, 2005; Grant, 1996; King & Zeithaml, 2001; Nickerson & Zenger, 2004）。本文认为，监督学习与组织知识的复杂性和隐性性接口，而可解释的人工智能则有助于企业增强其心智模型。这些考虑为竞争优势的基础、限制和优化提供了指导。

监督学习:知识复杂性与缄默性

监督学习应通过基础和限制增强开发企业特定AI驱动能力的概率。首先，考虑无监督学习如何削弱通过基础寻找独特数据的好处。像Facebook这样的公司经常试图在用户发布到其平台的大量照片上训练AI（Vicent, 2019）。开发这些照片收集基础设施可以是一种基础。只要用户不将相同照片发布到其他网站，这一过程可以为公司提供用于构建AI驱动能力的独特数据集。然而，这些基础努力的好处可能受到限制，因为拥有独特数据是开发企业特定AI驱动能力的必要但不充分条件。预计AI在样本外数据上的表现与训练数据一样好，只要新数据展示与旧数据相同的潜在模式（Alpaydin, 2016; Ratner, 2017）。这意味着，如果一个公司拥有展示与竞争对手数据相同潜在模式的独特数据集，那么AI在竞争对手公司中的行为可能会趋同（Shrestha等人，2021）。简而言之，在缺乏独特潜在模式的情况下，通过获取独特数据来基础AI并不能完全解决AI通用性带来的挑战。

监督学习可能通过帮助确保企业数据中的潜在模式是独特的，进一步增强基础活动，超越无监督学习。为监督学习算法组合数据集通常涉及多个训练者向AI提供示例。这在基础AI时很有用，因为集体知识通常是超加性的——平均贡献者的知识在集体应用时比个体使用时具有更大的价值（Galton, 1907; Gavetti & Warglien, 2015）。此外，当公司允许贡献者之间的非结构化和复杂社交互动时，即使个体贡献者的知识不是，这种集体知识也可能是公司特定的（Becker, Brackbill, & Centola, 2017; Ployhart & Moliterno, 2011）。总之，为监督学习算法基础AI可能包括数据中的复杂模式，这些模式如果不组装同一集体的训练者，则既不可访问也不可复制。因此，本文提出以下命题。

命题2：监督式学习在企业联合日常工作中的应用越多，对企业特定人工智能驱动能力发展的积极影响就越大。

除了帮助企业将人工智能扎根于复杂知识之外，监督学习可能有助于企业降低涉及边界AI的交易成本。边界AI资产可能会很昂贵，因为围绕AI驱动能力的合同需要高度精确。考虑一家企业进行边界保护以保护在联合常规中证明有用的数据。一种廉价的边界保护选项是使用数据独占协议，限制供应商与其他企业共享有价值的数据。诸如此类的边界保护选项可能易于规避。例如，供应商可以告诉企业的竞争对手正在使用哪些类型的数据。如果竞争对手找到具有类似底层结构的数据，他们可以生产出复制的AI驱动能力，而无需确切受到独占协议保护的数据。这种可能导致不完全合同的情况将增加与供应商交易所需的法律成本，并可能要求企业使用更昂贵的治理措施，如内部化。

在监督学习的背景下，边界保护可能通过限制由不完全合同引发的潜在损害来缓解这些问题。这是因为监督学习允许企业将显性AI知识与隐性难以在焦点企业外部获取的知识共专化。通过监督学习，训练者向AI提供正确响应的示例，但不解释为何这些答案是正确的（Murphy, 2012）。这种隐性知识可能会粘附并且在合同不完全时难以跨组织边界移动（Kogut & Zander, 1992）。为了复制所得的AI驱动能力，竞争对手首先必须访问底层的隐性知识。这是困难的。因此，跨联合常规更强大地使用监督学习增加了廉价边界策略成功的可能性。这种情况对于无监督学习则不适用。

当使用无监督学习时，大部分复制AI行为所需的知识存在于数据中。例如，假设供应商知道Facebook使用度假照片来构建无监督学习的AI驱动营销能力。在这种情况下，一旦供应商知道使用了哪些类型的照片，复制类似数据所需的所有信息就变得可移动。竞争对手（如Google或Twitter）只需找到一种方法来收集（或购买）度假照片，就可以构建类似的AI驱动营销能力。因此，需要更昂贵的边界措施。这些论点引出以下命题。

命题3：监督学习在公司的联合日常工作中使用得越多，开发人工智能驱动能力的成本所带来的不利影响就越小。

监督学习也可能调节“情境型人工智能”与能力适应度之间的关系。回想一下，人工智能如何可能损害能力与战略环境之间的契合。由于人工智能具有功能性质，有时其行为可能与公司的目标不一致。以Facebook为例，该公司开发了支持其以人工智能驱动的谈判能力的聊天机器人（Lewis et al., 2017）。这些机器人学会了进行谈判，但使用的语言对人类不可访问（Griffin, 2017）。通过这些机器人，Facebook的人工智能驱动谈判能力在技术上可能是有效的，但未能与公司环境的需求匹配。在这种情况下，公司可以通过基础设施增强其能力。例如，公司可以组织从内部电子邮件交流中生产谈判数据。这些新数据可以引导人工智能的行为朝更加生产性的方向发展，从而提高公司的人工智能驱动能力的适应度。但这种提高有多大呢？

本文认为，在使用监督学习时，这种基础设施的好处将会更加显著。使用无监督学习时，人工智能算法会从训练数据中的现有模式进行推断，但并不评估模式是否可取（Murphy, 2012）。这有时会导致人工智能模仿数据中频繁出现的不合适行为，或忽略不经常出现的合适行为（Hruschka, 2019）。通过监督学习对人工智能进行基础设施增强有助于抵消这种倾向。例如，与其仅使用纯粹的GPT（生成式预训练变换）算法来开发其聊天机器人，后者通常采用无监督学习，OpenAI通过虚构的例子和人类纠正增强了GPT的监督学习，从而开发出ChatGPT（Chollet et al., 2022），相较于Facebook早期的无监督谈判机器人，在战略上更具优势的聊天机器人。对于本文提到的公司通过生产电子邮件数据对人工智能进行基础设施增强的案例，也是类似的情况。当使用无监督学习时，人工智能可能会精确复制明星销售人员和表现不佳者的销售技巧。如果改用监督学习，管理人员可以更好地告知人工智能，公司认为哪些类型的电子邮件是有价值的生成。因此，监督学习使得基础设施增强更加有效，使人工智能的行为更加集中于在公司内部和外部环境中被认为有价值的行为。这些论点引出以下命题。

命题4：监督学习在公司的联合日常工作中使用得越多，植入对公司人工智能驱动能力的环境适应性的影响就越好。

可解释的AI:心理表征

除了学习范式的选择之外，情境人工智能的好处可能会因为优化过程中使用可解释人工智能而受到调节。组织的适应是困难且昂贵的，因为它涉及改变那些对稳定日常运作至关重要的标准化安排（Hannan & Freeman, 1984; Knudsen & Srikanth, 2014）。这些困难和成本源于组织搜索中的有限理性。行为者对公司架构或问题空间的认知表征不完整，可能会在组织适应过程中导致错误的实验（Ethiraj & Levinthal, 2004; Nickerson & Zenger, 2004）。

可解释人工智能在这一过程中非常有帮助，因为它使企业能够更深入地了解可以操作的杠杆，以引导其联合例程的行为。在优化过程中，可解释人工智能可以让管理者更好地更新其对正在执行的基础过程的心理模型。这些更为清晰的心理模型帮助企业了解可以重新安排的联合例程，而不会破坏公司价值，从而提高成功适应的可能性（Csaszar & Levinthal, 2015; Gavetti & Levinthal, 2000; Martigononi, Menon, & Siggelkow, 2016）。这些论点引出以下命题。

命题5a：企业在联合例程中使用可解释人工智能的程度越高，优化对公司人工智能驱动能力环境适应的效果越有益。

类似的逻辑可以用来支持这样的论点，即这些更为清晰的心理模型应该减少（a）成功更新能力所需的组织调整次数，或者（b）认识到终止追求的好处（Knudsen & Srikanth, 2014）。因此，本文提出以下命题。

命题5b：企业在联合例程中使用可解释人工智能的程度越高，优化对开发人工智能驱动能力成本的不利影响越小。

本文现在考虑公司战略环境中的动态性如何调节所处的人工智能效果。人工智能可能通过比人类行为者更快地获取新数据（Gregory et al., 2021），在动态环境中产生附加值。然而，人工智能在动态环境中也可能受到限制，因为获取新数据并不自动消除其对过去数据的依赖（Balasubramanian et al., 2022）。回顾学习的一个普遍挑战是，公司可能继续依赖旧知识，即使这些知识已不适用于新环境（Tripsas & Gavetti, 2000）。公司对任务的经验越深，改变任务执行方式所需的新信息量就越大（Denrell & March, 2001; Posen & Levinthal, 2012），特别是在公司缺乏战略性去学习的机制时（Tsang & Zahra, 2008）。这个问题在人工智能驱动的能力中可能会恶化。首先，人工智能需要比人类工作者更多的数据才能胜任任务。因此，当外部环境发生变化时，人工智能可能需要更多的新经验来覆盖其旧信念。其次，人工智能没有传统的组织去学习机制，比如遗忘或员工流失。在动态环境中，植入提供了一种去学习机制。公司可以通过有策略地丢弃数据来帮助人工智能去学习旧知识，随着环境的变化，持续地植入人工智能。

在动态环境中，优化的好处可能也更加显著。环境动态性增强了引发组织内例行程序变化的实践价值（Burgelman, 1991; Levinthal & Marino, 2015）。例行程序变化使得公司更有可能在无法事先预测的情况下，对外部变化做出响应。优化明显通过有意识的组织适应引发例行程序变化。然而，优化人工智能也可能在一个联合例行程序中引发随机变化。在组织内存在未观察到的相互依赖关系时，改变一个任务的执行方式通常需要对后续任务作出响应性的改变（Clement, 2023; Ethiraj & Levinthal, 2004; Yi, Knudsen, & Becker, 2015）。由于人工智能是短视的，联合例行程序涉及算法和人类在跨依赖关系中的通信。此外，这些算法通常是黑箱。这使得在公司的人工智能接口中存在未观察到的相互依赖关系成为可能。因此，在优化过程中，随着联合例行程序的越来越多地改变，可能会出现更多用于执行例行程序的有用变体。因此，本文提出以下内容。

命题6：企业战略环境的动态性越强，对企业人工智能驱动能力的环境适应性进行植入和优化的效果就越有利。

本文阐明了通过开发一种“情境人工智能理论”来建立竞争优势的路径。文章认为，植入、边界化和优化是企业可以利用的三种情境活动，以使人工智能的行为与其独特的经验、战略和系统保持一致。通过这样做，本文提供了一个框架，解释了企业如何以及何时可以利用人工智能来建立竞争优势。这项工作对战略管理和组织理论文献做出了几点贡献。

首先，本文通过成为首批探讨人工智能对能力开发和部署所带来的组织挑战的研究之一，为组织能力研究作出了贡献。能力文献认为，惯例是组织能力的基石，但传统上将惯例视为黑匣子（Parmigiani & Howard-Grenville, 2011）。Murray等人（2021）更新了惯例的概念化，以更好地解释人工智能等非人类功能的作用。然而，他们的重新概念化尚未通过能力镜头加以详细阐述。本文引入了“联合惯例”的构想，并解释了人工智能的功能性倾向如何使其难以应对由其通用、显式和短视特性引发的战略挑战。本文还解释了如何通过植入、边界化和优化来克服这些挑战。当这些活动得到适当协调时，可以（a）帮助企业从通用人工智能算法中产生特定于企业的人工智能驱动能力，以及（b）帮助企业防止这些能力向竞争对手扩散。本文的框架整合了战略管理中的许多基础理念，如组织学习、知识管理和交易成本，这些都是未来研究在此领域开展新思路的起点。

情境人工智能框架还有望在人工智能宏观组织文献中出现的冲突中找到和解。例如，现有文献提出了关于人工智能使用与企业产品价值关系的对立观点。Gregory等人（2021）提出，人工智能能力——即平台通过数据学习不断改进其产品或服务的能力——提高了产品对用户的感知价值。相反，Balasubramanian等人（2022）则认为，人工智能学习的过程可能导致短视，从而削弱企业生产流程的效果。相关的，Murray等人（2021）认为，人工智能具有一种决策性能力，使得管理者难以控制（甚至修正）人工智能的行动。如果是这样，使用人工智能可能会使企业难以维持满足客户需求所需的适当生产程序，从而限制企业为客户创造价值的能力。

本文首先通过指出这些研究在分析层面上的差异来调和这些观点。在Gregory等人（2021）的研究中，人工智能能力是平台的一个特征，而不是企业本身的一组例行程序（即平台发起者）。例如，作者们提到特斯拉的自动驾驶汽车随着使用时间收集数据，通过人工智能变得更加有效。相比之下，Balasubramanian等人（2022）和Murray等人（2021）强调了植入企业例行程序中的人工智能可能存在的潜在缺陷。例如，除了将人工智能嵌入汽车中，特斯拉还可能将人工智能嵌入用于生产这些车辆的制造和产品设计例行程序中。因此，如果企业的联合例行程序存在短视或难以管理的情况，人工智能可能通过这两个层面同时对企业的价值主张施加冲突性压力。

本文将这些观点统一在一个框架中，以解释相互对抗的力量。采用组织能力的视角，本文重新构想了“人工智能能力”（产品特性）的概念，称之为“人工智能驱动能力”——一种锚定在企业例行程序中的组织属性。从这个视角来看，植入企业产品中的人工智能可以被视为联合例行程序的下属组成部分。例如，特斯拉自动驾驶汽车中的人工智能可以被视为特斯拉产品设计例行程序的一部分。在这方面，Gregory等人（2021）强调的机制，即企业通过其平台寻求收集独特数据，可以被视为一种为人工智能奠定基础的形式。这帮助企业建立独特的人工智能驱动能力。企业随后可以将Gregory等人（2021）的机制与限制活动结合起来，以维持这些能力的独特性。

情境化的人工智能框架还可以解释Gregory等人（2021）的论点如何在面对例行程序层面上人工智能的战略局限性时依然成立。优化可以用来解决Balasubramanian等人（2022）强调的短视人工智能的限制。例如，优化可以用来增强联合例行程序的可行性，否则这些例行程序的未解决相互依赖关系可能会削弱人工智能增强产品的效力。同样地，如果如Murray等人（2021）所理论化的，人工智能依然抗拒组织控制，那么管理执行改进人工智能增强产品所需的联合例行程序可能成本高昂，这可能超过产品增强为客户带来的价值。情境化的人工智能框架解释了如何通过与可解释人工智能并用，使这些变化对企业更加可管理和成本有效。因此，本文的理论提供了一个框架，用于整合和扩展关于组织中人工智能的不同观点，并将这些观点与竞争优势联系起来。

本文经翻译整理，仅供学习与交流，转载请注明出处。

       -编辑：郭梦琪 | 审核：张宇擎-